3 Τρόποι με τους οποίους το Machine Learning Μεταμορφώνει τη Βιομηχανία Logistics

Οι εταιρείες logistics χρησιμοποιούν τη τεχνητή νοημοσύνη και το machine learning για να εξασφαλίσουν τα καλύτερα αποτελέσματα και να διατηρήσουν την παραγωγικότητα στο υψηλότερο επίπεδο, να λάβουν καλύτερες επιχειρηματικές αποφάσεις, και να παραμείνουν ανταγωνιστικές. Η σημασία της ΤΝ στη βιομηχανία αυτή είναι τεράστια. Υπολογίζεται ότι τα επόμενα 20 χρόνια, οι εταιρείες θα αποκτήσουν μεταξύ 1,3 τρισεκ. και 2 τρισεκ. δολαρίων ετησίως σε οικονομική αξία χάρη σε αυτή τη προηγμένη τεχνολογία στη производία και τις παγκόσμιες αλυσίδες εφοδιασμού.

Εάν εξακολουθείτε να αναρωτιέστε πώς η ΤΝ και το machine learning μπορούν να βοηθήσουν την επιχείρησή σας, δείτε μερικά ενθουσιαστικά παραδείγματα και αποφασίστε αν αυτή είναι η λύση για εσάς.

1. Λογισμικό Προγραμματισμού Διαδρομής με βάση την ΤΝ

​​Η επιλογή της βέλτιστης διαδρομής, η προγραμματισμός διακοπών για τους οδηγούς και η αποφυγή των πιο πολυσύχναστων και επικίνδυνων οδών είναι μόνο quelques από τις πολλές προκλήσεις που αποτελούν μέρος της καθημερινής εργασίας στη βιομηχανία logistics.

Σύμφωνα με τη Goldman Sachs, όταν μιλάμε για την παράδοση μόνο 25 πακέτων, οι πιθανές διαδρομές φτάνουν γύρω στα 15 τρισεκατομμύρια. Και αυτό είναι το σημείο όπου το machine learning έρχεται να σώσει. Το λογισμικό προγραμματισμού διαδρομής με βάση το ML μπορεί να αναλύσει όλες τις επιλογές για να επιλέξει την βέλτιστη λύση σε σχέση με το κόστος, τις ισχύουσες προθεσμίες και τα απρόβλεπτα οδικά γεγονότα που απαιτούν άμεσες αποφάσεις.

Βάσει των μεγάλων συνόλων δεδομένων που παρέχονται στο σύστημα, όπως πληροφορίες σχετικά με την αποδοτικότητα του καυσίμου, πιθανές τροχαίες συμφορήσεις ή εμποδισμό, μέγεθος οχήματος και άλλα ωράρια εργασίας οδηγών, αλγόριθμοι βελτιστοποίησης διαδρομής σε πραγματικό χρόνο καθορίζουν την καλύτερη διαδρομή για τους οδηγούς. Είναι βασισμένα στο cloud, οπότε όλες οι πληροφορίες παρέχονται σε πραγματικό χρόνο και μπορούν να προσεγγιστούν από διατακτικούς, οδηγούς, διαχειριστές και άλλους υπαλλήλους, όπως οι διαχειριστές λογαριασμών, για να ενημερώσουν τους πελάτες σχετικά με την αναμενόμενη ώρα παράδοσης.

Βάσει του machine learning, το λογισμικό βελτιστοποίησης διαδρομής μπορεί να φέρει πολλά οφέλη στην επιχείρησή σας, όπως:

• Βελτιωμένη εμπειρία πελάτη: Με πιο ακριβείς εκτιμήσεις χρόνου παράδοσης, οι πελάτες θα είναι πιο ικανοποιημένοι με την υπηρεσία σας και πιο πιθανό να σας δώσουν θετικές αξιολογήσεις.
• Εκταμίευση κόστους: Ένα από τα κύρια οφέλη του machine learning είναι συνήθως η εξοικονόμηση χρόνου και χρημάτων.
• Παρακολούθηση της απόδοσης του οδηγού: Ένα σύστημα cloud με βάση το machine learning σας βοηθά να επιβλέψετε την εργασία των υπαλλήλων σας και να βεβαιωθείτε ότι εκτελούν τις καθήκοντές τους αξιοπιστώς.
• Παρακολούθηση KPI: Με ενημέρωση σε βασικές πληροφορίες όπως χρόνος ταξιδιού, κόστος καυσίμου και απόδοση υπαλλήλων, μπορείτε να παρακολουθήσετε καλύτερα την απόδοση της εταιρείας σας και να αντιδράσετε γρηγορότερα αν κάποιο στοιχείο χρειάζεται βελτίωση.

Ένα πραγματικό παράδειγμα όπου η αλγοριθμική βελτιστοποίηση διαδρομής βελτίωσε τα έσοδα στη βιομηχανία logistics είναι αυτή η μελέτη περίπτωσης από την McKinsey. Ο πελάτης τους ήταν μια ασιατική εταιρεία logistics που ζήτησε από την εταιρεία τεχνολογίας να λύσει το πρόβλημα της αντιστοίχισης της προσφοράς στόλου και διαδρομών με τις απαιτήσεις του πελάτη.

Πώς το κατόρθωσαν;

Πρώτα, η ομάδα της McKinsey συλλέγουν όλα τα απαραίτητα δεδομένα σχετικά με τις διαδικασίες τους για να βρουν τυχόν προβλήματα που πρέπει να βελτιωθούν. Analύουν κρίσιμες πληροφορίες όπως τοποθεσίες πελάτη, τοποθεσίες κέντρου και πόρους στόλου. Αυτές οι πληροφορίες τους επέτρεψαν να δημιουργήσουν ένα μοντέλο βελτιστοποίησης διαδρομής που δημιουργεί προσαρμοσμένα προγράμματα για όλα τα οχήματα. Με αυτή τη λύση, μπόρεσαν να βελτιώσουν τη διαχείριση σε πολλές περιοχές, λαμβάνοντας υπόψη παράγοντες όπως:

• Τύπος οχήματος
• Κόστος χρησιμοποίησης
• Μέγιστη φόρτωση
• Χρόνος ταξιδιού

Τι ήταν πίσω από την επιτυχία τους;

Ήταν και η εμπειρία και τα προηγμένα αλγόριθμοι machine learning που χρησιμοποίησαν για να δημιουργήσουν αυτή τη λύση. Για παράδειγμα, χρησιμοποίησαν το μοντέλο NOAH για να δημιουργήσουν οπτικά οδηγούς σε ημερήσιες χάρτες των διαδρομών. Επιπλέον, παρείχαν μια εφαρμογή κινητού τηλεφώνου που δείχνει δεδομένα σε πραγματικό χρόνο, καθιστώντας τη δουλειά πιο εύκολη και για τους διατακτικούς και τους οδηγούς.

Ως αποτέλεσμα, η λύση τους μειώνει τα κόστη κατά 3,6% και αυξάνει τις αποδοτικότητες του δικτύου line-haul, οδηγώντας σε αύξηση κέρδους 16%.

2. Chatbots στη Logistics

Γνωρίζετε ότι τόσο πολλά όσο το 97% των ανθρώπων λένε ότι η κακή εξυπηρέτηση πελατών έχει επίδραση στις αγοραστικές τους προθέσεις; Όμως, μια άλλη πηγή λέει ότι 36% των πελατών παραμένουν απογοητευμένοι από την αποτυχία των εταιρειών να απαντήσουν στις απλές ερωτήσεις τους.

Αυτά τα δεδομένα δείχνουν τη σημασία της ύπαρξης ενός chatbot για να απαντήσει στους πελάτες αμέσως για να σώσει χρόνο και να βελτιώσει την εμπειρία του πελάτη. Οι εικονικοί βοηθοί χρησιμοποιούν φυσική επεξεργασία γλώσσας για να μιλήσουν με τους ανθρώπους σε μια συνομιλία, συνήθως ακριβώς στην αρχική σελίδα της εταιρείας. Είναι κατασκευασμένοι με αλγόριθμους που μπορούν να αναγνωρίσουν την ερώτηση που ζητείται και στη συνέχεια να αντιστοιχίσουν την απάντηση σε αυτή. Υπόθεση ότι ένας χρήστης ζητά μια ακατάληπτη ερώτηση για την οποία δεν υπάρχει απάντηση στη βάση δεδομένων. Σε αυτή την περίπτωση, ο chatbot προσπαθεί να αντιστοιχίσει μια από τις “fallback” απαντήσεις ή να μάθει νέους μοτίβους από τον πελάτη για να χρησιμοποιήσει αυτές τις πληροφορίες την επόμενη φορά που μια παρόμοια ερώτηση ζητείται.

Ένας chatbot έχει μια ορισμένη ποσότητα γνώσεων για μια εταιρεία και τα προϊόντα ή τις υπηρεσίες της. Μπορεί να χρησιμοποιήσει τις βάσεις δεδομένων ή να τραβήξει πληροφορίες από εξωτερικές πηγές. Ο εικονικός σύμβουλος απαντάει σε ερωτήσεις και διεξάγει τη συνομιλία από μόνος του, κατευθύνοντας τη συνομιλία σε θέματα που σχετίζονται με τις δραστηριότητες της εταιρείας ή προτείνει μια επίσκεψη σε μια σχετική σελίδα.

5 Κύρια Οφέλη των Chatbots

Ακόμα δεν είστε βέβαιοι ότι οι chatbots είναι μια καλή λύση για την επιχείρησή σας; Απλώς δείτε πέντε βασικά οφέλη της εφαρμογής τους σε μια εταιρεία logistics.

1. Αμεσές Απάντηση 24/7/365

Στις εταιρείες logistics, η επικοινωνία με τον πελάτη είναι κρίσιμη. Για παράδειγμα, η DHL προσφέρει τρεις διαφορετικές φόρμες επικοινωνίας:

• Email προς την εξυπηρέτηση πελατών
• Τηλεφωνική επικοινωνία
• Chatbot 24/7

Ο chatbot επιτρέπει στους πελάτες να λαμβάνουν άμεσες πληροφορίες σχετικά με την κατάσταση παράδοσης, τιμολόγηση, την αναμενόμενη ώρα παράδοσης ενός πακέτου και άλλα.

Γιατί είναι σημαντικό;

Σήμερα, 77% των ανθρώπων περιμένουν να λαμβάνουν άμεσες απαντήσεις από την ऑनलाइन συνομιλία σε οποιαδήποτε ώρα της ημέρας ή της νύχτας.Οι chatbots μπορούν να εργαστούν όλη την ώρα, ακόμη και όταν οι υπαλλήλους σας δεν εργάζονται (πλέον, δεν θα είναι ποτέ κουρασμένοι).

Η εφαρμογή ενός chatbot που είναι πάντα διαθέσιμος βελτιώνει σημαντικά την εμπειρία του χρήστη. Για παράδειγμα, με τον chatbot Helmi που δημιουργήθηκε από την GetJenny, η Ίδρυμα για τη Στέγαση των Φοιτητών στη Περιοχή του Ελσίνκι σημείωσε αύξηση του συνολικού σκορ ικανοποίησης εξυπηρέτησης πελατών από 4,11 σε 4,26.

2. Καλύτερη Πλοήγηση Ιστοσελίδας

Γνωρίζετε ότι 34% των πελατών είναι απογοητευμένοι από τη δυσχέρεια πλοήγησης στην ιστοσελίδα;

Οι chatbots μπορούν να λύσουν αυτό το πρόβλημα βοηθώντας τους επισκέπτες να πλοηγηθούν στην ιστοσελίδα και να βρουν γρήγορα τις πληροφορίες που τους ενδιαφέρουν. Βοηθούν να δημιουργήσετε μια θετική εικόνα του brand και μια προσωπική εμπειρία πελάτη. Έτσι, αν σας ενδιαφέρει να χτίσετε ικανοποίηση και πίστη του brand στους πελάτες σας, ένας chatbot μπορεί να είναι ένα εξαιρετικό πρώτο βήμα.

Ένα ενδιαφέρον παράδειγμα chatbot που σας βοηθά να βρείτε όλες τις πληροφορίες για ένα προϊόν είναι ο chatbot Alex, διαθέσιμος στην ιστοσελίδα Intellexer Summarizer. Όταν σας ζητήσετε μια ερώτηση, θα λαμβάνετε ένα μήνυμα με einen σύνδεσμο σε μια σελίδα όπου μπορείτε να βρείτε τις ενδιαφέρουσες πληροφορίες.

Πηγή: https://summarizer.intellexer.com/

Για να δημιουργήσετε ένα τέτοιο bot, δεν χρειάζεται να παρέχετε και να εξάγετε πολλά δεδομένα. Απλώς χρειάζεται να επεξεργαστείτε το περιεχόμενο της ιστοσελίδας για να το παρέχετε σε μια κατάλληλη μορφή. Στη συνέχεια, να διαχωρίσετε τις πληροφορίες σχετικά με το περιεχόμενο της σελίδας και τα δεδομένα για να δημιουργήσετε μια λογική ροή της συνομιλίας. Επιπλέον, οι chatbots είναι συνεχώς σε εκπαίδευση, οπότε όσο περισσότερες ερωτήσεις λαμβάνουν, τόσο πιο ακριβείς θα είναι οι απαντήσεις τους. Συχνά, αυτό το είδος chatbot είναι η πρώτη λύση AI που οι εταιρείες επιλέγουν.

3. Βοήθεια Παράδοσης

Οι εικονικοί βοηθοί μπορούν να είναι η πρώτη επαφή με τους πελάτες και να λαμβάνουν αιτήσεις παράδοσης από αυτούς. Όπως και άλλες λύσεις AI, μπορούν να ανακουφίσουν τους υπαλλήλους σας από πολλές επαναλαμβανόμενες εργασίες, όπως η συλλογή πληροφοριών παραγγελίας. Τι πιο σημαντικό, μπορούν επίσης να εκτελέσουν άμεσα αιτήσεις πελάτη που σχετίζονται με την παράδοση, όπως η αποστολή μιας τιμολόγησης για μια παραγγελία ή η ενημέρωση σχετικά με την κατάσταση παράδοσης.

4. Ολοκληρωμένη Υποστήριξη Υπαλλήλων

Οι chatbots μπορούν να βοηθήσουν τους υπαλλήλους σας με πολλούς τρόπους, από την εργασία γραφείου μέχρι την τοποθέτηση παραγγελιών και την επεξεργασία πληρωμών. Μπορούν να λαμβάνουν ή να συμπληρώνουν έγγραφα όπως τιμολόγια ή αιτήσεις πληρωμής και πολλά άλλα. Και όταν οι μηχανές χρειάζονται ανθρώπινη βοήθεια, στέλνουν ένα μήνυμα στους ανθρώπινους εργαζόμενους για να κάνουν το σωστό επόμενο βήμα.

Σύμφωνα με τον Bas Vogels, επιβλέπων και εκπαιδευτής της ομάδας εξυπηρέτησης πελατών της DHL: “Οι υπαλλήλους έχουν πολύ περισσότερο χρόνο για να διευθετήσουν σύνθετα προβλήματα πελατών και να αποτρέψουν τις εξελίξεις. Το ποσοστό ικανοποίησης των υπαλλήλων έχει επίσης αυξηθεί enormemente.”

5. Παράδοση σε Πραγματικό Χρόνο

Στη logistics, ο χρόνος παράδοσης και πραγματικός χρόνος σχετικά με την κατάσταση μιας παραγγελίας είναι κρίσιμος.Οι chatbots θα βεβαιωθούν ότι οι πελάτες σας δεν θα πρέπει να περιμένουν για μια απάντηση. Ένα πραγματικό παράδειγμα αυτής της λύσης είναι η μελέτη περίπτωσης από την RoboRobo. Δημιουργήσανε ένα bot για την RPL που ενημερώνει τους πελάτες σχετικά με την κατάσταση της παραγγελίας τους. Ο chatbot επιτρέπει στους πελάτες της RPL να παρακολουθούν την τοποθεσία του πακέτου τους και να μάθουν πότε θα παραδοθεί.

Οι chatbots μπορούν να χρησιμοποιηθούν σε πολλά μέρη, όχι μόνο στην ιστοσελίδα. Όλο και περισσότερες εταιρείες επιλέγουν chatbots που είναι διαθέσιμοι στο Facebook, Skype, WhatsApp και άλλα κανάλια.

3. Επίλυση Προβλημάτων Picker Routing και Batching σε Λειτουργίες Αποθήκης

Ένα άλλο καθήκον που η τεχνητή νοημοσύνη εκτελεί στη logistics είναι να αναπτύξει τις πιο αποτελεσματικές μεθόδους για τη ροή των εμπορευμάτων τόσο στην αποθήκη όσο και στη φάση διανομής.

Σύστημα διαχείρισης αποθήκης με βάση την ΤΝ μπορεί να καταγράψει όλες τις δραστηριότητες και τις διαδικασίες που λαμβάνουν χώρα στην αποθήκη. Το λογισμικό αναλύει τα ιστορικά δεδομένα που συλλέγονται και τα χρησιμοποιεί για να σχεδιάσει πώς το εξοπλισμός που χρησιμοποιείται (ρομπότ και και αυτόματα και ημι-αυτόματα συστήματα) θα χειριστεί τις φόρτους. Ιδιαίτερα χρήσιμο εδώ μπορεί να είναι το βαθύ μάθηση, προβλεπτική ανάλυση, υπολογιστική όραση και λογισμικό αναγνώρισης προϊόντων που μπορούν να βοηθήσουν στην αναγνώριση αντικειμένων στην αποθήκη και να κάνουν εκτεταμένη προβλέψη των ενεργειών που θα χρειαστούν.

Ένα από τα κύρια γκολ των αλγορίθμων machine learning είναι να βοηθήσουν τους ανθρώπους με μονότονες αλλά δύσκολες εργασίες. Στη βιομηχανία logistics και παραγωγής μια από αυτές τις εργασίες είναι η διαδρομή του πικέρ, η οποία μπορεί επίσης να υποστηριχθεί από τις μηχανές.

Ένα ενδιαφέρον παράδειγμα είναι η λύση που δημιουργήθηκε από την Nvidia για την Zalando, einen γίγαντα του e-commerce, η οποία έχει χιλιάδες νέες παραγγελίες κάθε ώρα. Η λύση AI-με βάση τους επέτρεψε να λύσουν δύο προβλήματα.

​​1. Μείωση του Χρόνου Διαδρομής του Πικέρ

Ετοίμασαν μια λύση που επιτρέπει τον έλεγχο της αποθήκης με ένα “σκαλοπάτι” διάταξης (που σημαίνει ότι όλα τα προϊόντα αποθηκεύονται σε ράφια τοποθετημένα σε πολλές σειρές με διαδρόμους). Δεδομένου ότι ένας εργαζόμενος πρέπει να ανακτήσει προϊόντα που βρίσκονται σε διαφορετικά μέρη της αποθήκης, το σύστημα προτείνει τη συντόμητερη δυνατή διαδρομή σε όλη την αποθήκη που επιτρέπει την ανάκτηση όλων των απαραίτητων αντικειμένων.

Οι développers της Nvidia δημιούργησαν τον αλγόριθμο OCaPi (Optimal Cart Pick) που βρίσκει την βέλτιστη διαδρομή για τον εργαζόμενο και ακόμη και για τις κινήσεις του καροτσιού του εργαζόμενου. Αυτό επέτρεψε στους εργαζόμενους της Zalando να σταματήσουν τη χρήση της εύρησης S-σχήματος και να σχεδιάσουν μια πιο βέλτιστη διαδρομή.

2. Επίλυση του Προβλήματος Batching

Στην Zalando, όλες οι παραγγελίες πρέπει να ανατεθούν σε μια λίστα πικέρ. Όταν η λίστα είναι ολοκληρωμένη, τα προϊόντα συσκευάζονται για τον πελάτη.

Οι développers της Nvidia προσπάθησαν να δημιουργήσουν μια λύση που επιτρέπει να επιτύχει το άθροισμα των χρόνων ταξιδιού για όλες τις λίστες πικέρ όσο το δυνατόν μικρότερο, με την υπόθεση ότι ένας εργαζόμενος μπορεί να χωρέσει μόνο 10 αντικείμενα στο καρότσι. Analύσανε τους OCaPi πικέρ για δέκα παραγγελίες δύο αντικειμένων για να βρουν τις πιο αποτελεσματικές διαιρέσεις των παραγγελιών σε λίστες πικέρ.

Ποίες Τεχνολογίες Μπορούν να Μειώσουν Αυτά τα Προβλήματα;

Μια κλειδί τεχνολογία που χρησιμοποιείται σε αυτά τα projects είναι ο αλγόριθμος OCaPi — μια υψηλά μη γραμμική συνάρτηση που επέτρεψε στους développers να υπολογίσουν τον χρόνο ταξιδιού, λαμβάνοντας υπόψη τις διαφορετικές θέσεις πικέρ. Αυτή η λύση τους έδειξε ότι ο χρόνος ταξιδιού εξαρτάται κυρίως από τον χρόνο που ξοδεύεται για την ανάκτηση ενός αντικειμένου από την πίσω γωνία, που βρίσκεται μακριά από όλα τα άλλα προϊόντα.

Για να κάνουν την εκτίμηση του χρόνου ταξιδιού OCaPi ακόμη πιο γρήγορη, χρησιμοποίησαν το πλαίσιο Caffe neural network και τη βιβλιοθήκη cuDNN convolutional neural network της NVIDIA. Αυτό τους επέτρεψε να εκπαιδεύσουν τέσσερα μοντέλα παράλληλα για να βρουν μια πολύ ακριβή αρχιτεκτονική νευρωνικού δικτύου. Ως αποτέλεσμα, το σύστημά τους επέτρεψε στην εταιρεία να μειώσει τον χρόνο ταξιδιού ανά αντικείμενο που πιέζεται κατά περίπου 11%.

ΣUCH machine learning-based λύσεις επιτρέπουν στις εταιρείες να:

• Αυξήσουν την παραγωγικότητα
• Ταχυνοποιήσουν τους χρόνους πικέρ, με αποτέλεσμα την αύξηση της ικανοποίησης του πελάτη
• Αυξήσουν την ικανοποίηση των υπαλλήλων των οποίων η δουλειά υποστηρίζεται από έξυπνες λύσεις
• Βελτιώσουν την ημερήσια ροή εργασίας
• Εξαλείψουν το ανθρώπινο λάθος, поскольку ο υπολογισμός της διαδρομής είναι γρηγορότερος και πιο ακριβής από ότι αν ένας άνθρωπος το έκανε.